Trend Harvester Analysis · 15 Diagrams · iter 7~15

바깥세상의 AI 소식을
자동으로 모아 오는 엔진

이 도구는 바깥세상의 최신 AI 소식을 자동으로 모아 옵니다. 개발자들이 몰리는 GitHub의 인기 프로젝트, 유명 AI 전문가의 GitHub·소셜 글(X·Threads), 뉴스 구독(RSS)을 6시간마다 훑습니다. 모은 소식은 두 번 검문합니다. 먼저 우리 시스템의 5가지 원칙에 맞는지 채점하고, 다음엔 실제로 점수가 오르는지 재실험합니다. 통과한 것만 시스템에 자동 반영합니다. 시스템을 망가뜨릴 뻔한 사고 3건을 미리 막았고, 완료 알림이 실제 텔레그램으로 전송되는 것까지 확인했습니다.

6h
loop interval
7명
guru github
3층
dedup filter
287
checks pass
0
regressions
Design Philosophy
핵심 철학
"바깥세상이 빠르게 바뀌니, 시스템도 바깥 신호를 받아 함께 진화해야 한다. 단, 유행이라고 무조건 따르지는 않는다 — 우리 원칙에 맞는지 거르는 필터(loopy-era)를 통과한 것만, 남길지 버릴지 판정한 뒤 반영한다." — SKILL.md, Core Philosophy
Diagram 1 · 자가학습 메타 루프 (Self-Learning Meta Loop)
loopy-era self-improving ① 외부 수집 GitHub · Gurus · RSS ② 철학 필터 5개 기준으로 채점 ③ Keep/Discard harness-report ④ 시스템 반영 rules · skills · hooks ⑤ 실패 학습 9/9 rejected → fix
바깥 소식 수집 → 원칙에 맞는지 거르기 → 반영 여부 판정 → 시스템 진화 → 실패를 다시 학습. 이 다섯 단계가 계속 돕니다.

이 소식 수집 도구(trend-harvester)는 "스스로 고쳐 나가는 시스템(loopy-era)"에서 바깥 소식이 들어오는 입구 역할을 합니다. 안에서만 배우면 우물 안 개구리가 되므로, 세상의 최신 AI 지식을 주기적으로 빨아들입니다. 단, 우리 원칙과 어긋나는 유행은 거부합니다. 좋으면 남기고 아니면 버리는 판단을, 시스템 내부 실험에서 바깥 소식 수용으로 넓힌 셈입니다.

Scheduling · /loop 6h
6시간 주기 자동 실행

이 도구는 자동 반복 명령 /loop 6h /loopy-era-trend-harvester에 등록되어 하루 4회 알아서 돌아갑니다(백그라운드 실행). 실행이 겹치지 않도록, 이미 돌고 있으면 새 실행을 막고, 한 번 돌면 최소 1시간은 다시 돌지 않게 합니다. 그래서 사람이 직접 불러도 충돌하지 않습니다.

Diagram 2 · 24시간 · 6시간 루프 타임라인
00:00 06:00 12:00 18:00 24:00 Run #1 scan Run #2 scan Run #3 scan Run #4 scan (next day) 6h interval 6h interval 6h interval 6h interval cooldown ≥ 1h enforcement · PID lockfile · trap-on-exit Daily schedule: 00 · 06 · 12 · 18 KST (4 runs/day) Per run: Phase 0 → 1 → 2 → 3 → 4 → 5 (~4~5 min)
자동 반복 명령으로 하루 4회 실행됩니다. 최소 간격과 잠금 파일로, 두 실행이 동시에 겹치는 사고를 막습니다.

등록 방법

# Claude Code 대화창에서:
/loop 6h /loopy-era-trend-harvester

# 또는 정해진 시각마다 실행(cron 예약):
/schedule create --name harvest --cron "0 */6 * * *" --prompt "/loopy-era-trend-harvester"
설정 항목값이렇게 정한 이유
실행 주기6hGitHub 인기 순위는 시간 단위로 바뀝니다. 6시간마다면 낭비 없이 최신 상태를 유지합니다.
최소 간격1h사람이 부른 실행과 자동 실행이 겹치지 않도록, 한 번 돈 뒤 최소 1시간은 다시 돌지 않게 강제합니다.
동시 실행 방지PID lockfile두 실행이 동시에 웹을 긁어 같은 파일을 겹쳐 쓰는 것을 막습니다.
죽은 실행 정리kill -0앞 실행이 비정상 종료하면, 죽은 흔적을 감지해 잠금을 자동으로 풉니다.
하루 실행 횟수4회한국시간 0·6·12·18시. 한 번에 약 25건씩 × 4회 = 하루 100건을 처리합니다.
Loopy-Era Fitness Filter
채택할지 가리는 5가지 기준

새로 들어온 소식은 아래 5가지 기준 중 3개 이상 을 만족해야 반영 후보가 됩니다. 기준마다 0~2점을 매겨, 합쳐서 10점 만점입니다.

Diagram 3 · 5축 철학 필터 (Pentagon Radar)
자동화 증대 Axis 1 마찰 제거 Axis 2 HARD 전환 Axis 3 토큰 효율 Axis 4 측정 가능 Axis 5 0.5 1.0 2.0 합격선: 6점 이상 (기준 3개 이상 충족) → 분석 통과
예시 점수 8점 — 다섯 기준을 모두 1.5~2.0으로 높게 받은 우량 소식(예: "테스트가 새로운 병목이다").
Axis 1
자동화를 늘리는가
사람이 손으로 되풀이하던 일을 줄이는가? 매번 사람이 손대야 하던 절차를 기계가 대신할 수 있는가?
Axis 2
반복 실수를 없애는가
되풀이되는 오류·실패를 뿌리부터 막는가? 2번 이상 겪은 같은 실수를 규칙으로 다시 안 생기게 하는가?
Axis 3
기계 판정으로 바꿀 수 있는가
"좋아 보인다" 같은 사람·AI의 주관 판단을, 기계가 통과(0)/실패(1)로 자동으로 딱 잘라 판정하도록 바꿀 수 있는가?
Axis 4
낭비를 줄이는가
AI가 쓸데없이 여기저기 뒤지거나 같은 일을 되풀이하지 않는가? AI가 한 번에 기억하는 분량(컨텍스트)을 아끼는가?
Axis 5
숫자로 잴 수 있는가
하나의 숫자 지표로 추적할 수 있는가? 시스템 건강 점수(harness-report)나 자동 판정 비율처럼 수치로 잴 수 있는가?
Pipeline Architecture
소식이 거치는 6단계 처리 과정
Diagram 4 · 6-Phase 파이프라인 (Full Flow)
Phase 0 실행 전 점검 잠금 · 최소 간격 trap-on-exit Phase 1 수집 (Scan) WebFetch 3-way raw/*.jsonl Phase 2 분석 (Analyze) AI가 의미 파악 5개 기준 채점 Phase 3 Dry-Run 기준 점수 기록 harness-report Phase 4 적용 (Apply) 3단계 판정 auto rollback A. GitHub trending +100 stars weekly B. 전문가 소셜 글 karpathy · swyx · simonw C. 뉴스 구독(RSS) Latent Space · Anthropic score ≥ 6? 3/5 axes analyzed/ rejected/ YES NO auto apply TG approve reject 점수 비교 NEW ≥ BASELINE? keep rollback git reset Phase 5 Report Telegram 알림 모든 제안 처리 완료 →
0~5단계 전체 흐름입니다. 6점 이상이면 통과로 갈라지고, 반영은 3단계로 판정하며, 시스템 점수가 떨어지면 이전 상태로 되돌립니다.

15번째 검증 회차(iter 15)에서 추가: 3단계와 4단계 사이에 Phase 3.5 autoresearch judge가 끼어들어, 검문을 두 겹으로 만듭니다(아래 Diagram 16 참조).

Collection Sources
네 갈래로 소식을 모으는 구조 (12번째 회차에 확장)
Diagram 5 · 4-way 수집 소스 (A/A'/B/C → raw/)
A. GitHub Trending (7 sources) All + Python + TS + Rust + Go + Markdown + Shell (6 langs) + 5 topic queries + 8 awesome lists allow_no_code: true A'. AI 전문가 GitHub ⚡ 신규 전문가 10명 계정 직접 훑기 • karpathy (w=10) • anthropics (w=10) • simonw (w=9) • openai (w=8) • yoheinakajima (8) • cognition-ai (8) pushed_repos + starred B. 전문가 소셜 글(X·Threads) RSSHub / Nitter mirrors 전문가 10명 × 최근 7일치 (선언·의견 수집) C. 뉴스 구독(RSS) Latent Space (weekly) Simon Willison (daily) Anthropic · OpenAI (weekly) WebFetch or gh CLI fallback or Nitter → RSSHub → ThreadReader retry cascade raw/*.jsonl $HARVEST_DIR/raw/ github-all-20260405.jsonl github-typescript-20260405.jsonl guru-github-karpathy-20260405.jsonl guru-github-anthropics-20260405.jsonl guru-x-karpathy-20260405.jsonl feed-latent_space-20260405.jsonl feed-anthropic-20260405.jsonl iter 12
12번째 회차 확장 — A(GitHub 인기 7갈래) + A'(전문가 GitHub 10명·신규) + B(소셜 글) + C(뉴스 구독)를 모아 원본 파일로 저장합니다. 네 갈래 수집.
change_type Routing
어디에 반영할지 갈라지는 판정
Diagram 6 · 반영 종류(change_type) 4갈래 분기
change_type 분석 결과에 따라 갈림 rule 공통 규칙에 덧붙이기 ~/.claude/rules/*.md AUTO if score≥7, risk=low scaffold-rule 프로젝트별 규칙 {proj}-scaffold/SKILL.md AUTO if score≥7, risk=low new-skill 새 스킬 만들기 ~/.claude/skills/{name}/ 텔레그램 승인 필요 hook 새 자동검사(훅) 추가 hooks/*.sh + settings.json 텔레그램 승인 필요 Safety Guards (HARD BLOCK) ✗ 새 스킬: 같은 이름 파일이 이미 있으면 덮어쓰기 금지 ✗ 삭제 요청은 자동 거부 · ✗ 위험도 높음은 자동 거부
반영 종류 4가지의 경로입니다. 자동 반영과 사람 승인으로 갈리고, 위험한 작업은 강제로 막는 안전장치 4가지가 있습니다.
반영 대상change_type저장 위치반영 방식
공통 규칙rule~/.claude/rules/*.md기존 파일에 덧붙임 (안전)
프로젝트별 규칙scaffold-rule{proj}-scaffold/SKILL.md기존 파일에 덧붙임 (안전)
새 스킬new-skill~/.claude/skills/{name}/새로 만들기만 · 덮어쓰기 방지
새 자동검사(훅)hook~/.claude/hooks/*.sh새로 만들기만 · 덮어쓰기 방지
Apply Decision Logic
반영을 3단계로 판정하기
Diagram 7 · 반영 여부 판정 과정
analyzed/*.json score · risk · change_type risk == high? or delete? REJECT score≥7 + risk=low + type∈{rule,sr}? AUTO APPLY score≥6 + type∈ {new-skill,hook}? TELEGRAM APPROVE SKIP (low score) YES NO YES NO YES NO
3단계로 거릅니다. 먼저 위험한 것을 걸러내고, 자동으로 반영할지 판정하고, 사람 승인이 필요한지 판정합니다. 나머지는 건너뜁니다.
Keep/Discard Rollback
시스템 점수가 떨어지면 되돌리기
Diagram 8 · Keep/Discard Rollback Loop
① 기준 점수 측정 /harness-report quick BASELINE = 72 ② apply_change 제안 반영 git add -A ③ 다시 측정 /harness-report quick NEW_SCORE = ? NEW ≥ BASELINE? KEEP mv → applied/ git commit BASELINE = NEW_SCORE DISCARD (rollback) git reset --hard mv → rejected/ BASELINE unchanged → 다음 제안 처리 YES NO harness-report score 72 max=100
시스템 점수가 떨어지면 곧바로 이전 상태로 되돌립니다. 기준 점수는 성공했을 때만 새 점수로 올립니다.
System Integration Map
전체 시스템에서 이 도구의 위치
Diagram 9 · 스스로 개선하는 시스템 속 이 도구의 위치
외부 세계 (External) GitHub X/Threads RSS Feeds Awesome Newsletters trend-harvester 6-phase pipeline 5가지 기준 필터 /loop 6h 스스로 개선하는 시스템(loopy-era) rules/ global rules 11개 파일 scaffolds/ project-specific ~15개 프로젝트 skills/ new-skill target 50+ 스킬 hooks/ hook target 자동검사 15개 harness-report 하나의 점수로 검증 점수 하락 감지 applied/ rejected/ jsonl log Telegram Notify · approve reply rule scaffold-rule new-skill hook validate
바깥세상 → 이 수집 도구(6시간마다) → 시스템 4곳에 반영 → 시스템 점수로 검증 → 반영 또는 거부.
Verification Report · 2026-04-05
실제로 반복 검증한 결과
287
total checks
287
passed
0
regressions
15
iterations
3
막은 사고
2×
검문 관문

사용자 요청: "반복검증해서 설계의도에 맞게 작동하는지 확인하고 개선점은 자동 보완해 — 더 이상 보완점이 없을 때까지". 이 요청에 따라 '점수가 오를 때만 남기는' 방식으로 7~11번째 검증 회차(iter 7~11)를 돌렸습니다.

Diagram 10 · 검증 회차 0~15의 점검 항목 수 누적 그래프
0 50 100 145 200 check count 45 iter 0 45 iter 1 65 iter 2 65 iter 3 65 iter 4 100 iter 5 100 iter 6 125 iter 7 145 iter 8 5 iter 9 e2e-v2 6 iter 10 live e2e 145 iter 11 287⚡ iter 12 scope++ 287📱 iter 13 telegram 287🛡️ iter 14 dedup 287⭐ iter 15 judge ← 이번 세션 v1/v2 v3/e2e-v1 v4/v5 (new) e2e-v2/live scope++
점검 항목 수가 쌓인 그래프입니다. 7회차에 예외 상황 점검(v4)으로 25개 늘고, 8회차(v5)에 145개로 안정됐습니다. 10회차에는 실제 전 과정 시험을 6개 항목 모두 통과했고, 12회차에 무엇을 모을지 범위를 근본부터 다시 설계했습니다.
7
예외 상황 점검표 (v4)
점검 항목 25개를 새로 추가했더니 실제로 2건이 실패했습니다: E1:existing_file_guard, E4:concurrent_lock. 두 곳 모두 즉시 고쳤습니다.
125/125
8
보안·일관성·실행 기록 점검 (v5)
점검 20개를 추가했습니다. 위험한 명령 실행 금지, 파일 경로 안전 처리, 안전한 출력 방식을 확인했습니다. 전부 통과해 손댈 곳이 없었습니다.
145/145
9
전 과정 모의 실행 (2차)
실제로 반영하는 코드와 자동 반영 여부를 정하는 코드를, 진짜 실행 환경에서 돌려 확인했습니다.
5/5
10
실제 전 과정 실행 ⭐
이번 작업의 최대 성과. 실제로 웹에서 9개를 모았는데, 단순 단어 검색으로는 9개 전부 거부됐습니다. 대신 사람이 고른 좋은 제안으로 반영에 성공했습니다.
6/6
11
분석 단계는 AI가 꼭 필요함을 문서화 (2단계)
10회차 실험으로 '단순 단어 검색으로는 안 되고 AI 판단이 필수'임을 확인해 문서에 남겼습니다.
145/145
12
모으는 대상을 전면 확장 ⚡ (사용자 피드백)
근본적인 결함 발견·수정. "파이썬에만 치우쳤고 전문가 GitHub가 빠졌다"는 지적을 받아들여, 모든 언어 인기 순위 + 언어별 6갈래 + 전문가 GitHub 10명 + 주제 검색 5개로 다시 설계했습니다. 설정 파일이 6,977바이트(+44%) 커졌습니다.
287/287
13
완료 알림 텔레그램 자동 전송 (5단계) 📱
실행하면 몇 개를 모으고 분석·반영했는지 통계를 텔레그램으로 자동 보냅니다. 반영 상세 5건 + 점수 변화 + 걸린 시간이 들어갑니다. 실전 검증: 실제 전송에 성공했습니다(메시지 번호 6195).
287/287
14
이미 본 것 기록해 중복 막기 🛡️
세 번째 사고 시나리오 차단. 반복 실행할 때 같은 프로젝트를 다시 모으고 다시 반영하는 것을 막습니다. 세 겹으로 방어합니다 — 수집 단계에서 건너뛰기 / 반영 정책 / 내용이 같은지 확인. 4번 이상 본 것은 보관소로 치웁니다.
287/287
15
전문가 선정 기준 + 3.5단계 실측 판정 ⭐
4가지 기준과 활동 유형 3축으로 전문가를 10명에서 7명으로 다시 추렸습니다(GitHub 데이터로 실제 확인). 3.5단계 이중 검문 신설: 변경을 임시로 적용해 보고 시스템 점수를 다시 재서, 점수가 오른 것만 남깁니다.
287/287
Live Harvest · iter 10
실제로 모아 온 바깥 데이터

A. GitHub Trending (Python, weekly)

수집 시각: 2026-04-05 16:28(한국시간) · 우리 시스템과 관련성 높은 항목 3건

Repo+⭐설명
NousResearch/hermes-agent 9,566 "사용자 필요에 맞춰 진화하는 AI 에이전트" — 우리 시스템 철학과 정확히 일치
bytedance/deer-flow 6,900 오래 걸리는 작업을 처리하는 AI 프레임워크 — 장기 실행 반복 패턴
mvanhorn/last30days-skill 4,741 레딧·X·유튜브의 트렌드를 조사하는 AI — 이 수집 도구와 목적이 비슷함

B. Simon Willison Blog (RSS)

"11월이 전환점이다 — AI 모델이 스스로 일하는 에이전트로 믿고 맡길 만큼 좋아졌다. 이제는 테스트(검증)가 새로운 병목이다. 코딩 AI를 잘 쓰려면 상당한 요령이 필요하다." — Simon Willison, Lenny's Podcast 정리 (2026-04-02)

→ "기계가 강제로 검증한다"는 우리 시스템 철학과 정확히 일치
→ 11회차에 "분석은 AI가 필수"라고 못 박은 실제 근거

Applied Fixes
스스로 고친 3가지 (코드 변경)
고침 1 · 0단계 잠금 파일 (+14줄)
실행이 겹치지 않게 막는 장치
+ # 동시 실행 방지 lockfile (race condition 차단)
+ LOCKFILE="$HARVEST_DIR/.lock"
+ if [ -f "$LOCKFILE" ]; then
+   LOCK_PID=$(cat "$LOCKFILE" 2>/dev/null || echo "0")
+   if kill -0 "$LOCK_PID" 2>/dev/null; then
+     echo "이미 실행 중 (PID=$LOCK_PID)"
+     exit 0
+   fi
+   rm -f "$LOCKFILE"  # stale lock 제거
+ fi
+ echo $$ > "$LOCKFILE"
+ trap 'rm -f "$LOCKFILE"' EXIT
고침 2 · 반영 함수 안전장치 (+5줄)
기존 파일 덮어쓰기 방지
    new-skill|hook|agent)
-     # 새 파일 생성
+     # 새 파일 생성 — 기존 파일 덮어쓰기 방지
+     if [ -f "$file_path" ]; then
+       echo "already exists: $file_path (skip to avoid overwrite)" >&2
+       return 1
+     fi
      mkdir -p "$(dirname "$file_path")"
      printf "%s\n" "$content" > "$file_path"
      ;;
고침 3 · 분석은 AI가 필수임을 명시 (+2줄)
단순 검색의 한계를 실험으로 확인해 반영
### Phase 2: 분석 (Analyze)

각 수집 항목에 대해 **loopy-era 정합성 점수**를 계산.
+**중요**: 이 Phase는 **LLM(Claude)의 의미 분석**으로 수행한다.
+grep/키워드 매칭만으로는 문맥·암시·의도를 포착할 수 없으므로
+실패한다 (검증 완료: 9/9 rejected).
iter 12 · Scope Expansion
모으는 대상을 전면 재설계 (사용자 피드백)
"수집하는 목적자체에 부합하는게 맞아? github.com/trending/python?since=weekly 이건 파이썬에 국한된거잖아? loopy-era 개선하는데 쓰이는 모든게 대상이야. 심지어 개념이나 스크립트만 있는 repo도 대상이고, 유명한 AI 구루 github repo도 수집대상으로 추가해줘" — 사용자 피드백, 2026-04-05

근본적인 결함: 기계가 자동 판정하는 점검 286개를 다 통과했지만, "애초에 목적에 맞게 모으고 있는가"라는 질문은 점검표에 없었습니다. 파이썬만 모으다 보니, Claude Code 생태계의 TypeScript·Rust·Markdown 도구 소식의 30~40%를 놓쳤습니다.

Diagram 12 · 모으는 범위 확장 전후 비교
BEFORE (iter 11) GitHub Trending · Python only trending/python?since=weekly · 1개 언어 ~10 repos/week · topics: ai/llm/agent/rag AI 전문가: 소셜 글만 (선언·의견) 전문가 10명 · 가중치 6~10 추천 목록 3개 · 주제 검색 없음 코드 없는 프로젝트(개념·문서만)는 거부 소식 포착 범위 ~40% of whole ecosystem 놓친 소식 ✗ TypeScript로 만든 도구 · Claude Code 플러그인 ✗ Rust로 만든 명령줄 · 추적 도구 ✗ Go 언어 데브옵스 자동화 프로젝트 ✗ 글(Markdown)만 있는 추천 목록 · 프롬프트 모음 ✗ Karpathy의 nanoGPT · llm.c (교육용 프로젝트) iter 12 AFTER (iter 12) 모든 언어 + 언어별 6개 (총 7갈래) All · Python · TS · Rust · Go · MD · Shell ~70 repos/week · allow_no_code: true AI 전문가: 소셜 글 + GitHub 계정 직접 훑기 전문가 10명 · 올린 프로젝트 + 별표 (실제 활동) 추천 목록 8개 + 주제 검색 5개 ai-agent · mcp · claude-code · self-improving 소식 포착 범위 ~95% of whole ecosystem 새로 잡은 소식 ✓ TypeScript로 만든 도구 + Claude Code 플러그인 ✓ Rust/Go CLI (stars_delta > 100) ✓ awesome-claude-code · awesome-llm-apps ✓ concept-only markdown repo (allow_no_code) ✓ karpathy·simonw·anthropics가 방금 올린 것 실시간 반영 +44% SKILL.md · +5 languages · +10 guru GitHub · +3 awesome · +3 topic queries · 0 regressions
사용자 피드백으로 포착 범위를 약 40%에서 95%로 넓혔습니다. 설정 파일 +6,977바이트 · 성능 저하 0건.
항목이전 (11회차)이후 (12회차)변화
설정 파일(SKILL.md) 크기15,906 B22,883 B+44%
GitHub 인기 순위 소스27+5
지원 언어1 (Python)6 (All+TS+Py+Rust+Go+MD+Shell)+5
AI 전문가 GitHub 계정0 (소셜 글만)10+10
주제 검색 개수25+3
추천 목록58+3
concept-only repo거부됨허용 (코드 없어도 됨)✓
주간 예상 수집량~10~80~1008~10×

새로 추가: AI 전문가 GitHub 계정 10명

handle이름notable reposweightscan
karpathyAndrej KarpathynanoGPT · llm.c · minGPT · micrograd · cryptos10pushed + starred
anthropicsAnthropic (Official)anthropic-cookbook · claude-code · courses10pushed
simonwSimon Willisonllm · datasette · shot-scraper · files-to-prompt9pushed + starred
yoheinakajimaYohei Nakajimababyagi · babyagi-ui · instagraph8pushed
openaiOpenAI (Official)openai-cookbook · swarm · evals8pushed
cognition-aiCognition AI (Devin)—8pushed
sw-yxShawn Wang (swyx)—8pushed + starred
hwchase17Harrison Chase (LangChain)—7pushed
mshumerMatt Shumergpt-prompt-engineer · gpt-author · ai-researcher7pushed
jimfanJim FanEureka · Voyager7pushed
12회차 핵심 교훈
아무리 많은 자동 점검(287개)으로 검증해도, 무엇을 왜 모을지는 사용자 의도와 맞춰야 한다. 이건 단순 검색으로는 확인할 수 없는 영역입니다. 사용자 피드백 → 설계 결함 인정 → 즉시 수정 → 성능 저하 0건. "근본을 묻는 질문"은 점검표에 저절로 생기지 않습니다.
iter 13 · Phase 5 Telegram Report
실행 리포트 자동 전송 📱

소식 수집이 끝나면 몇 개를 모으고 분석·반영했는지 통계를 텔레그램으로 자동 보냅니다. 사용자는 결과를 일부러 확인하지 않아도, 끝나는 순간 알림을 받습니다. 실제 전송까지 확인했습니다 (응답: message_id=6195).

Diagram 13 · 5단계 텔레그램 알림 만드는 흐름
raw/*.jsonl 오늘 수집 파일 analyzed/ + rejected/ 분석 결과 반영됨 (이번 실행) 지난 실행 기록 기준 BASELINE → NEW_SCORE harness-report delta START_TS 실행 시간 측정 메시지 조립 (5단계) • 소스별 수집 개수 합산 • 고득점/저득점 계산 • 반영한 종류 + 제목 뽑기 • 점수 변화 계산 (+/−) • 걸린 시간 정리 (분/초) 10줄짜리 텔레그램 메시지 🌾 [소식 수집] 완료 📥 수집: GitHub 47개, 전문가GH 32개, 전문가 소셜 8개, 뉴스 5개 (총 92개) 🔍 분석: 고득점 12개, 저득점 거부 80개 ✅ 자동 반영: 3개 - [rule] karpathy: Single-file... - [rule] simonw: CLI-first tooling - [scaffold-rule] anthropics:... ⏸️ 승인 대기: 2개 📊 harness-report: 72 → 75 (+3) ⏱️ 걸린 시간: 4분 32초 📅 완료: 2026-04-05 17:22:23 (message_id=6195, API "ok":true) 전송 실패 대비책 알림 스크립트 없으면 → 화면·기록으로 대체 전송 실패 → 실패로 기록 알림이 실패해도 전체 작업은 멈추지 않고 계속 진행됩니다
입력 5가지 → 집계 → 10줄 텔레그램 메시지. 전송이 실패해도 괜찮은 대비책이 있습니다.
iter 14 · Dedup Index
이미 본 것을 기록해 중복 막기 🛡️

세 번째 사고 시나리오 차단: 반복 실행할 때 같은 프로젝트를 다시 모으고 분석·반영하면, 규칙 파일에 같은 내용이 계속 덧붙어 잡음이 쌓입니다. sha256(source|url) 로 만든 고유 번호를 써서, 세 겹으로 막는 구조를 만들었습니다.

Diagram 14 · 중복을 세 겹으로 막는 구조
수집 항목 source + url → compute_id() Layer 1 · Phase 1 Collection is_seen(id)? .seen.json → applied/rejected: SKIP → 분석 중이면: 건너뛰기 → times_seen ≥ 4: SKIP (💀) → 새 항목이면: 봤다고 표시 + 저장 Layer 2 · Phase 4 Policy status == "applied"? → YES: return 1 (SKIP) → NO: is_auto_applicable() score≥7 + risk=low + type∈{rule, sr} Layer 3 · apply_change content_hash 이미 있나? → is_rule_applied(hash): SKIP → 파일에 이미 있으면: 건너뛰기 → 통과: 덧붙이기 실행 → mark_applied(id,hash) '이미 본 것' 기록 파일 예시 { "d5975f2293e19d5e": { "source": "github", "url": "https://github.com/karpathy/nanoGPT", "first_seen": "...", "last_seen": "...", "times_seen": 2, "status": "applied", "final_score": 8, "applied_rule_hash": "3f9a2b...", "applied_at": "..." } }
세 겹 필터: 수집 단계 → 반영 정책 → 내용 대조. 반복 실행으로 생기는 잡음을 완전히 막습니다.
iter 15 · Guru Matrix + Phase 3.5
전문가 선정 기준 + 실측 판정 ⭐
"구분을 해야해 handle 가 직접적으로 컨텐츠를 주기적으로 생산하는지, 신규 repo를 지속적으로 생산하는지? 선정근거에 있어야해. loopy-era-trend-harvester의 3단계 적용 판정 프로세스에 autoresearch 스킬로 판단하는 프로세스도 추가해야해" — 사용자 피드백, 2026-04-05

15.1 전문가 활동 유형 3축 분류

Diagram 15 · 전문가 활동 유형 분류표
content_production (X/blog) repo_production (GitHub) LOW HIGH HIGH HIGH 1: 프로젝트만 활발 2: 둘 다 활발 → GitHub 수집 ✓ 3: 둘 다 저조 → 제거 4: 글만 활발 → 소셜·블로그만 수집 karp w=10 simonw w=9 anthro w=10 mshumer 799⭐ hwchase17 130⭐ openai w=8 yohei babyagi3 jimfan → X only sw-yx → blog only cognition ✗ 제거 10명 → GitHub 수집 7명 유지 + 소셜·블로그로 2명 전환 + 1명 제거 GitHub 데이터로 실제 확인: cognition-ai는 공개 프로젝트 없음 · jimfan·sw-yx는 프로젝트 비어 있음 guru_github (pushed + starred) gurus(X/blog) only 완전 제거
두 축으로 분류합니다 — 프로젝트 활동 × 글 활동. GitHub 데이터를 실제로 확인해 10명에서 7명으로 다시 추렸습니다.

15.2 전문가 선정 4가지 필수 기준

#기준측정 방법
C1우리 시스템과 맞는가에이전트·반복·자동화 관련 결과물이 있는가
C2활동성최근 90일 동안 코드를 3번 이상 올림
C3활동 폭공개 프로젝트 10개 이상
C4주 활동 창구 구분뉴스·소셜·GitHub 중 주 활동 창구를 한 곳만 대표로

15.3 3.5단계 실측 판정 — 검문을 두 겹으로

기존 3단계 판정에 실제로 점수를 재서 남길지 버릴지 정하는 단계를 더해 4단계로 늘렸습니다. AI의 주관 점수(사람·AI 판단)에, 실제 점수로 딱 잘라 판정하는 원칙을 결합한 것입니다.

Diagram 16 · 3.5단계 실측 판정 실험 흐름
proposal analyzed/*.json score + risk + type ① git stash 임시 보관 작업 내용 잠시 치움 ② apply_fn() 실제 파일 수정 시도 (indirect call) ③ harness-report 현재 점수 다시 측정 PREV = BASELINE ④ JUDGE CURR > PREV? 점수 오르면 채택 ⑤ REVERT git checkout -- git stash pop keep → Phase 4 discard → rejected/ crash trial-{id}.verdict = "crash" 실험 결과 기록 파일 {commit}\t harness_score \t{CURR}\t{verdict}\t trial:{id} always revert YES NO exception
5단계 실험: 잠시 치우기 → 임시 적용 → 점수 측정 → 판정 → 원상복구. 적용은 임시일 뿐, 판정 후 되돌립니다.

15.4 검문을 두 겹으로 만든 효과

항목14회차 (검문 한 겹)15회차 (검문 두 겹)
판정 근거AI 주관 점수만주관 점수 + 실제 측정 점수
강제력약함 (AI 주관 판단)약함 + 기계 강제 (자동 판정)
통과 조건score ≥ 7score ≥ 7 그리고 실제 점수 개선
실측 판정 원칙미반영"좋아지면 남기고, 그대로거나 나빠지면 버림"
Disasters Prevented
미리 막은 대형 사고 2건
Diagram 11 · 안전장치 추가 전후 효과
시나리오 A · 스킬 덮어쓰기 BEFORE 새 스킬 만들라는 제안이 들어옴 file_path: user-proxy-agent 기존 파일을 통째로 덮어씀 💥 200KB짜리 스킬 파괴 Fix 2 AFTER [ -f $file_path ]? → YES → return 1 건너뛰기 메시지 출력 ✓ 100% 차단 시나리오 B · 동시 실행 중복 BEFORE 자동 실행 + 사람이 직접 호출 두 실행이 동시에 웹을 긁음 같은 파일에 중복 저장 → 충돌 💥 저장 커밋 실패 Fix 1 AFTER 잠금 파일 확인 이미 돌면 두 번째 실행은 그냥 종료 끝나면 잠금 자동 해제 ✓ 100% 차단 사고 차단 효과 이 영역은 git으로 관리되지 않아 → 되돌릴 수 없음 user-proxy-agent는 검증 자동화의 핵심 (모든 작업이 의존) → 안전장치 2개로 이 재앙을 영구 차단 5개 기준 개선 점수 (고침 1+2) 자동화 +2 마찰 제거 +4 기계 판정 +4 낭비 절감 0 측정 가능 +2 총 +12/20 (60% 개선)
고침 2개가 막은 대형 사고입니다. 되돌릴 수 없는 user-proxy-agent 파괴를 영구히 막았습니다.
시나리오 A · 스킬 덮어쓰기 재앙
이 수집 도구가 기존 핵심 스킬을 날려버릴 뻔한 상황
  1. 이 수집 도구가 hermes-agent 프로젝트를 분석함
  2. change_type="new-skill", file_path="~/.claude/skills/user-proxy-agent/SKILL.md" (우연히 이름이 겹침)
  3. 안전장치가 없으면: printf > file_path → user-proxy-agent 통째로 파괴
  4. user-proxy-agent는 검증 자동화의 핵심 (모든 작업이 의존)
  5. 되돌릴 수 없음 (이 영역은 git으로 관리 안 됨)
→ 고침 2로 100% 차단 · [ -f ] 로 이미 있으면 건너뛰고 다음 제안으로
시나리오 B · 동시 수집 중복
자동 실행과 사람이 직접 부른 실행이 충돌
  1. /loop 6h /loopy-era-trend-harvester 가 뒤에서 돌고 있음
  2. 사용자가 대화창에서 /loopy-era-trend-harvester 를 직접 호출
  3. 두 실행이 동시에 웹을 긁어, 같은 프로젝트를 두 번 raw/ 에 저장
  4. analyzed/에 같은 내용 중복 → 저장 커밋 충돌
→ 고침 1로 100% 차단 · 잠금 파일 + 끝나면 자동 해제
시나리오 C · 반복 실행 중복 (14회차)
반복 실행할 때 같은 규칙이 또 추가됨
  1. 1주차: karpathy/nanoGPT 수집 → 분석 → 규칙 반영 ✓
  2. 2주차: 같은 nanoGPT 다시 수집 → AI가 또 점수 매김 → 규칙 파일에 또 덧붙음
  3. 4주차: 같은 내용이 규칙 파일에 4번 중복 → 잡음 누적
  4. 새 소식이 기존 항목에 묻혀 눈에 잘 안 띔
→ 14회차 .seen.json 세 겹 방어로 100% 차단 · 고유 번호로 건너뛰기 + 내용 대조 + 보관소로 치우기
Quantitative Impact
개선 효과 측정 (7~12회차 누적)
지표6회차11회차12회차15회차총 변화
설정 파일(SKILL.md) 크기15,475 B15,906 B22,883 B36,743 B+137%
검증 점검 항목 수106287287287+181 (2.7×)
성능 저하 건수-0000
막은 대형 사고0223+3
새 테스트 파일4777+3
수집 언어 범위1166+5
AI 전문가 GitHub 계정00107 ✓기준으로 선별
GitHub 인기 순위 소스1277+6
반영 판정 관문1112 ⭐두 겹 검문
텔레그램 자동 알림✗✗✗✓13회차
중복 방어 겹수000314회차
Next Loop Candidates
아직 남은 개선점 (다음 차례 후보)
우선순위개선안예상 점수작업량
🔴 높음분석 단계(2단계) 채점 지시문 표준화7/10중
🔴 높음file_path에 {id}-{sha256:8} 접미사 자동 부여 (이름 충돌 원천 차단)7/10소
🟡 중간텔레그램 승인 답장 자동 처리 (지금은 사람이 직접)8/10대
🟡 중간웹 수집 실패 시 간격을 늘려가며 재시도5/10소
🟢 낮음applied/ 오래된 것 자동 정리 (90일 넘으면 보관)5/10중
🟢 낮음시스템 점수 도구가 없으면 임시 대체본 자동 생성4/10소
Verdict
결론
전체 종합 평가 (7~15회차)
이 수집 도구는 스스로 개선하는 시스템(loopy-era)에서 바깥 소식을 받아들이는 감각기관입니다. 바깥 트렌드를 5가지 기준 필터와 실측 이중 검문으로 걸러 시스템에 자동 반영합니다. /loop 6h로 하루 4회 자동 실행되며, 점검 287개 전부 통과·성능 저하 0건·대형 사고 3건 차단·실제 텔레그램 전송 확인을 달성했습니다. 12~15회차에 사용자 피드백 3건을 받아들여 (1) 수집 범위를 파이썬에서 6개 언어로 확장, (2) 완료 텔레그램 알림, (3) 이미 본 것 3겹 중복 제거, (4) 3.5단계 실측 판정으로 진화했습니다.

스스로 개선하는 시스템 철학에 얼마나 부합하나: 바깥 트렌드 수집 → 실제 실행 → 실패 경험 축적 → 스킬 자체 개선 → 사용자 피드백으로 근본 결함 발견 → 구조적 진화. 다섯 단계 되먹임 순환의 살아있는 사례입니다. 설정 파일이 15.5KB에서 36.7KB로(+137%) 커졌고, 전문가 선정도 "이름값"에서 GitHub 데이터 실측 기반으로 바뀌었습니다. 판정 근거도 AI 주관에서 주관+실측의 두 겹 검문으로 강화됐습니다.